在圖像分類任務中，圖像數(shù)據(jù)增強一般是大多數(shù)人會采用的方法之一，這是由于深度學習對數(shù)據(jù)集的大小有一定的要求，若原始的數(shù)據(jù)集比較小，無法很好地滿足網(wǎng)絡模型的訓練，從而影響模型的性能，而圖像增強是對原始圖像進行一定的處理以擴充數(shù)據(jù)集，能夠在一定程度上提升模型的性能。

本文是我目前正在研究一項內(nèi)容，總結圖像數(shù)據(jù)增強的一些方法及其有效性。本研究的目的是學習如何增加訓練數(shù)據(jù)集的大小，通過有限或少量數(shù)據(jù)來訓練獲得具有魯棒性的卷積網(wǎng)絡模型。

這項研究要求列出我們可以想到的所有圖像增強方法，并列舉出所有這些組合，以嘗試和改善圖像分類模型的性能。那么，能夠想到的一些最簡單的增強方法有翻轉、平移、旋轉、縮放，分離單個r、g、b三個顏色通道以及添加噪聲。更激動人心的增強方法是比較熱門的使用生成對抗網(wǎng)絡模型，有時交替使用遺傳算法和生成對抗網(wǎng)絡。此外，還提出了一些創(chuàng)造性方法，例如將類似于Instagram中的高亮濾鏡應用于圖像、應用隨機區(qū)域銳化濾鏡，以及基于聚類技術添加平均圖像等。本文將展示如何使用NumPy對圖像進行擴充。

下面是上述提到的增強技術的總結及說明，如果你能想到其它任何方法來增強圖像，并可以提高圖像分類器的性能，請在留言區(qū)評論。

 

 

原始圖像

增強

所有的數(shù)據(jù)增強都是在沒有OpenCV庫的情況下，使用Numpy完成。

 

 

翻轉|Flipping

對圖像進行翻轉是最流行的圖像數(shù)據(jù)增強方法之一。這主要是由于翻轉圖像操作的代碼簡單，以及對于大多數(shù)問題而言，對圖像進行翻轉操作能夠提升模型的性能。下面的模型可以被認為是看到左鞋而不是右鞋，因此通過這種數(shù)據(jù)增加，模型對于看到鞋的潛在變化會變得更加魯棒。

 

 

 

 

平移|Translations

很容易想象對完成檢測任務的分類器進行平移增強能夠提升其性能，好像這個分類模型試圖檢測鞋子何時在圖像中而不是是否在圖像中。這些平移操作將有助于它在無法看清整個鞋子的情況下認出鞋子來。

 

左移

 

 

 

 

 

右移

 

 

 

 

上移

 

 

 

 

下移

 

 

加噪|Noise

對圖像加噪音是一種有趣的圖像增強技術，現(xiàn)在我開始對這類操作變得更加熟悉。我已經(jīng)看過很多關于對抗網(wǎng)絡訓練的有趣論文，當將一些噪音加入到圖像后，模型無法對圖像進行正確分類。我仍然在尋找能產(chǎn)生比下圖更好的加噪方法。添加噪聲可能有助于使得畸變更加明顯，并使得模型更加魯棒。

 

 

加噪

 

 

生成對抗網(wǎng)絡|GAN：

我閱讀了很多關于生成對抗網(wǎng)絡的文獻，文獻中很多都使用生成對抗網(wǎng)絡進行數(shù)據(jù)增強，我對此也比較感興趣，下面是我使用MNIST數(shù)據(jù)集生成的一些圖像。

 

 

GAN生成圖像

正如我們從上圖中看到的，它們確實看起來像數(shù)字3、7和9，但實際上，將其送進數(shù)字手寫體分類器中，它們并不能被識別為對應的數(shù)字。

感謝你閱讀本文，希望你現(xiàn)在知道如何實現(xiàn)對基本數(shù)據(jù)進行擴充，以改進自己搭建的分類模型!

Connor Shorten，對深度學習、算法理論和生物信息學感興趣

文章原標題《Image Augmentation Examples in Python》，譯者：海棠

標簽： 代碼 網(wǎng)絡

版權申明：本站文章部分自網(wǎng)絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。